Link to this sectionCOCO-Seg Veri Seti#

COCO-Seg veri seti, COCO (Common Objects in Context) örnek segmentasyon maskelerini — 80 nesne kategorisinde poligon maskeleriyle 118.287 eğitim ve 5.000 doğrulama görüntüsü — Ultralytics YOLO etiket formatında sağlar. COCO'nun orijinal görüntülerini ve yerel segmentasyon ek açıklamalarını YOLO eğitimi için dönüştürerek kullanır ve bu da onu örnek segmentasyon görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için hayati bir kaynak haline getirir.

Link to this sectionCOCO-Seg Önceden Eğitilmiş Modelleri#

Link to this sectionTemel Özellikler#

• COCO-Seg, COCO'nun daha geniş ~330 bin görüntülük sürümünden, etiketli 123.287 adet COCO train2017/val2017 görüntüsü (118.287 eğitim + 5.000 doğrulama) için örnek segmentasyon maskeleri sağlar.
• Veri seti, orijinal COCO veri setinde bulunan aynı 80 nesne kategorisinden oluşur.
• Ek açıklamalar, YOLO poligon etiket formatında örnek segmentasyon maskeleri sağlar.
• COCO-Seg, örnek segmentasyon performansını değerlendirmek için standartlaştırılmış mAP ve mAR metrikleri sağlar ve model performansının etkin bir şekilde karşılaştırılmasına olanak tanır.
• İndirme boyutu: İlk kullanımda ~20,3 GB (train2017.zip + val2017.zip + etiketler). 7 GB boyutundaki test2017.zip otomatik olarak indirilmez, çünkü bu görsellerin yer gerçekliği (ground truth) gizlidir ve yalnızca test-dev2017 gönderimi için gereklidir.

Link to this sectionVeri Kümesi Yapısı#

COCO-Seg veri seti üç alt kümeye ayrılmıştır:

1. Train2017: Örnek segmentasyon modellerini eğitmek için 118.287 görüntü.
2. Val2017: Model geliştirme sırasında doğrulama için kullanılan 5.000 görüntü.
3. Test-dev2017: Karşılaştırma (benchmarking) için kullanılan 40.670 test2017 görüntüsünden 20.288'i. Bu alt küme için temel doğruluk (ground-truth) ek açıklamaları herkese açık değildir, bu nedenle tahminlerin puanlama için COCO değerlendirme sunucusuna gönderilmesi gerekir.

Daha küçük deneme ihtiyaçları için COCO128-Seg (128 görüntü) ve COCO8-Seg (8 görüntü) alt kümelerine bakabilirsin.

Link to this sectionUygulamalar#

COCO-Seg is widely used for training and evaluating deep learning models on instance segmentation, such as the YOLO models. The large number of annotated images, the diversity of object categories, and the standardized evaluation metrics make it an indispensable resource for computer vision researchers and practitioners. Full COCO-Seg annotations can also be browsed and managed on Ultralytics Platform.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO-Seg veri kümesi durumunda, coco.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml adresinde tutulmaktadır.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this sectionKullanım#

Bir YOLO26n-seg modelini COCO-Seg veri seti üzerinde 640 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

COCO-Seg, COCO ile aynı çeşitlilikteki görüntüleri, nesne kategorilerini ve karmaşık sahneleri içerir ve örnek segmentasyon maskeleri YOLO etiket formatında sunulur. İşte veri setindeki görüntülerden ve bunlara karşılık gelen örnek segmentasyon maskelerinden bazı örnekler:

• Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mosaicing, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren, eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleyebilme yeteneğine yardımcı olur.

Link to this sectionAlıntılar ve Teşekkür#

COCO-Seg veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal COCO makalesine atıfta bulun ve COCO-Seg'e yapılan uzantıyı belirt:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bilgisayarlı görü topluluğu için bu paha biçilmez kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumuna teşekkür ederiz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edebilirsin.

Link to this sectionSSS#

Link to this sectionCOCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?#

COCO-Seg, aynı 118.287 train2017 ve 5.000 val2017 görüntüsü için COCO'nun (Common Objects in Context) yerel örnek segmentasyon maskelerinin Ultralytics YOLO formatında paketlenmiş halidir. Orijinal COCO ek açıklamaları zaten 80 nesne kategorisinin tamamı için bu poligon maskelerini içerir; COCO-Seg bunları nesne örnek segmentasyonu eğitimi için kullanılan YOLO etiket formatına dönüştürür.

Link to this sectionCOCO-Seg veri setini kullanarak nasıl YOLO26 modeli eğitebilirim?#

COCO-Seg veri setinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-seg modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut eğitim argümanlarının ayrıntılı bir listesi için Eğitim sayfasına başvurabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Link to this sectionCOCO-Seg veri setinin temel özellikleri nelerdir?#

COCO-Seg veri seti çeşitli temel özellikler içerir:

• 123.287 etiketli COCO train2017/val2017 görüntüsü (118.287 eğitim + 5.000 val) için örnek segmentasyon maskeleri sağlar.
• Orijinal COCO'da bulunan aynı 80 nesne kategorisini açıklar.
• YOLO poligon etiket formatında örnek segmentasyon maskeleri sağlar.
• Uses standardized evaluation metrics such as mean Average Precision (mAP) and mean Average Recall (mAR) for instance segmentation tasks.

Link to this sectionCOCO-Seg için hangi önceden eğitilmiş modeller mevcuttur ve performans metrikleri nelerdir?#

COCO-Seg veri seti, farklı performans metriklerine sahip birden fazla önceden eğitilmiş YOLO26 bölümleme modelini destekler. İşte mevcut modellerin ve temel metriklerinin bir özeti:

Bu modeller, hafif YOLO26n-seg'den daha güçlü YOLO26x-seg'e kadar çeşitlilik göstererek, farklı uygulama gereksinimlerine uyacak şekilde hız ve doğruluk arasında çeşitli ödünleşimler sunar. Model seçimi hakkında daha fazla bilgi için Ultralytics models page sayfasını ziyaret et.

Link to this sectionCOCO-Seg veri seti nasıl yapılandırılmıştır ve hangi alt kümeleri içerir?#

COCO-Seg veri seti, özel eğitim ve değerlendirme ihtiyaçları için üç alt kümeye ayrılmıştır:

1. Train2017: Öncelikle örnek segmentasyon modellerini eğitmek için kullanılan 118.287 görüntü içerir.
2. Val2017: Eğitim süreci sırasında doğrulama için kullanılan 5.000 görüntüden oluşur.
3. Test-dev2017: Eğitilmiş modelleri test etmek ve karşılaştırmak için ayrılmış 40.670 test2017 görüntüsünden 20.288'ini kapsar. Bu alt küme için temel doğruluk (ground-truth) ek açıklamalarının herkese açık olmadığını ve performans sonuçlarının değerlendirme için COCO değerlendirme sunucusuna gönderildiğini unutma.

Daha küçük deneme ihtiyaçları için COCO128-Seg veri setini (128 görüntü) veya COCO train 2017 setinden sadece 8 görüntü içeren kompakt bir sürüm olan COCO8-Seg veri setini de düşünebilirsin.